物理学情報付きニューラルおよびグラフネットワークに対するスケーラブルなアルゴリズム【JST・京大機械翻訳】

Shukla Khemraj; Xu Mengjia; Trask Nathaniel; Karniadakis George Em

プレプリント

J-GLOBAL ID：202202206380208166 整理番号：22P0351419

物理学情報付きニューラルおよびグラフネットワークに対するスケーラブルなアルゴリズム【JST・京大機械翻訳】

Scalable algorithms for physics-informed neural and graph networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年05月16日プレプリントサーバーでの情報更新日： 2022年05月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

物理形成機械学習(PIML)は,いくつかのデータが利用できる複雑なマルチスケール過程により支配される複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして浮上している。いくつかの事例において,その目的は,利用可能なデータから隠れ物理の一部を発見することであり,PIMLは,従来の方法が失敗するそのような問題に対して特に有効であることを示している。深層ニューラルネットワークの訓練が大きなデータを必要とする商用機械学習とは異なり,PIMLビッグデータは利用できない。その代りに,著者らは,物理的法則を採用して,空間-時間領域におけるランダム点においてそれらを評価することによって得る付加的情報から,そのようなネットワークを訓練することができた。このような物理情報化機械学習は,マルチモーダルとマルチ忠実度データを数学モデルで統合し,ニューラルネットワークまたはグラフネットワークを用いてそれらを実装する。ここでは,主にフィードフォワードニューラルネットワークと自動識別に基づく物理情報ニューラルネットワーク(PINN)を用いて,機械学習に物理を埋め込むいくつかの傾向をレビューした。システムや非構造化データのより複雑なシステムやシステムに対して,グラフニューラルネットワーク(GNN)はいくつかの明確な利点を示し,ここでは,微分演算子を構築するためにグラフ外部計算に基づくGNNを用いて,物理情報学習がどのように実現できるかをレビューした。これらのアーキテクチャを物理情報グラフネットワーク(PIGN)と呼ぶ。前方および逆問題の両方に対する代表的な例を示し,大規模工学問題に対するPINN,PIGNおよびより広くGNNをスケールアップするために,どのような進歩が必要であるかを論じた。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る